陈仁祥 周君 胡小林 韩兴波 朱孙科 张晓

摘要： 针对旋转机械故障诊断中深度神经网络特征学习能力强、决策能力弱的问题，利用卷积神经网络拟合强化学习中的Q函数，通过Q?learning算法学习策略实现故障诊断，提出了基于深度Q学习和连续小波变换的旋转机械故障诊断方法。对振动信号进行连续小波变换得到时间尺度矩阵，构建出环境状态空间，实现智能体与环境间的交互;用CNN拟合Q?learning中的Q函数得到深度Q网络，将环境返回的状态输入到深度Q网络中学习故障数据具体的状态特征表示，并据此表征学习策略，智能体采用ε?贪婪方式决策出动作，利用奖励发生器对动作进行评价;通过智能体与环境间不断交互学习以最大化Q函数值，得到最优策略实现故障诊断。这种方式融合了深度学习的感知能力和强化学习的决策能力，从而有效提高了诊断能力。通过不同工况及不同样本量下齿轮箱故障诊断实验证明了所提方法的有效性。

关键词： 故障诊断; 旋转机械; 连续小波变换; 深度Q学习

中图分类号： TH165.+3; TH133 文献标志码： A 文章编号： 1004-4523（2021）05-1092-09

DOI：10.16385/j.cnki.issn.1004-4523.2021.05.024

引 言

旋转机械故障诊断本质是模式识别，其中重要的步骤是故障特征提取与故障类型识别[1]。近年来，由于深度神经网络强大的特征学习能力，使其在旋转机械故障诊断领域得到快速发展[2?3]。

利用深度学习进行故障诊断时，常见的模式为通过建立不同的深度神经网络从训练样本中学习故障特征进而实现故障诊断。……